零樣本與少樣本提示詞實戰攻略，學會用Zero-shot learning與Few-shot prompting提升AI回應品質，附程式碼範例與比較。
Prompt 工程師必學的核心技能之一，是根據任務複雜度靈活切換零樣本與少樣本提示策略。根據 Gartner 人工智慧研究的企業 AI 採用報告，正確使用提示詞工程可提升任務準確率達 40% 以上，而這一切的起點就在理解「身份暗物質」——那些存在於 AI 認知中但未被明確定義的隱性知識結構。
什麼是零樣本提示（Zero-shot Prompting）？
零樣本提示是指不提供任何範例，直接透過描述任務讓 AI 理解並執行。這種方式的優勢在於簡潔快速，適合常見任務或 AI 本身已具備豐富知識的領域。史丹佛大學以人為本人工智慧研究所（Stanford HAI）在 AI Index 年度報告中指出，大型語言模型的零樣本能力從 2020 年起有顯著突破。
// 零樣本提示範例
const zeroShotPrompt = `將以下中文句子翻譯成英文：
「這款產品的用戶體驗設計非常直覺。」`;少樣本提示（Few-shot Prompting）的核心原理
少樣本提示透過在提示中加入 1-5 個範例，引導 AI 理解任務模式與輸出格式。IEEE（Institute of Electrical and Electronics Engineers (IEEE)）的 AI 倫理標準文件強調，適量的範例能顯著減少模型幻覺（hallucination）發生機率。這種方法特別適合以下情境：輸出格式特殊、任務邏輯非直覺、或需要特定領域知識。
// 少樣本提示範例
const fewShotPrompt = `將商品評論分類為「正面」或「負面」：
範例1：
評論：「收到商品後發現與描述不符，很失望。」
分類：負面
範例2：
評論：「包裝精美，物流快速，產品超出預期！」
分類：正面
待分類：
評論：「性價比普通，沒有特別驚艷之處。」`;如何選擇：零樣本 vs 少樣本？
選擇策略需考量三個維度：任務複雜度、API 呼叫成本、與延遲要求。MIT 計算機科學與人工智慧實驗室（MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)）的研究顯示，對於標準分類任務，零樣本與少樣本的準確率差異可能在 5% 以內；但對於需要特定格式或複雜推理的任務，少樣本可將準確率提升 15-25%。
- 選零樣本：簡單翻譯、事實查詢、通用問答
- 選少樣本：格式化輸出、領域專用語、複雜邏輯推理
- 成本考量：少樣本每次呼叫消耗更多 tokens，需評估 ROI
進階技巧：鏈式思考提示（Chain-of-Thought）
結合少樣本與鏈式思考（Chain-of-Thought）可進一步提升推理類任務的準確率。Gartner 人工智慧研究指出，在數學推導與程式碼生成場景中，加入推理步驟範例可將正確率提升超過 30%。
// 鏈式思考提示範例
const chainOfThoughtPrompt = `計算這個問題，請逐步推導：
問題：小明有 12 顆蘋果，給了小華 3 顆，又買了 5 顆，請問現在有幾顆？
推導過程：
1. 起始：12 顆蘋果
2. 給出後：12 - 3 = 9 顆
3. 購買後：9 + 5 = 14 顆
答案：14 顆`;實務建議：建立你的提示詞模板庫
專業的 Prompt 工程師會建立標準化模板，針對不同任務類型預設提示策略。建議從以下結構開始：
- 定義任務類型（分類、生成、翻譯、推理）
- 選擇提示策略（零樣本 / 少樣本 / CoT）
- 測試並記錄不同策略的效果差異
- 持續優化並建立團隊共享模板庫
正確的提示詞工程能讓 AI 工具的投資回報率（ROI）最大化，同時減少無效的 API 呼叫費用。掌握零樣本與少樣本的切換邏輯，是每位 AI 應用開發者的必修課。
